CN108446414B - 一种由3d打印多孔结构随机缺陷的逆向预测方法 - Google Patents
一种由3d打印多孔结构随机缺陷的逆向预测方法 Download PDFInfo
- Publication number
- CN108446414B CN108446414B CN201711399124.1A CN201711399124A CN108446414B CN 108446414 B CN108446414 B CN 108446414B CN 201711399124 A CN201711399124 A CN 201711399124A CN 108446414 B CN108446414 B CN 108446414B
- Authority
- CN
- China
- Prior art keywords
- defects
- random
- macroscopic
- matrix
- porous structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
Abstract
本发明提供一种由3D打印多孔结构随机缺陷的逆向预测方法。主要包括以下步骤:(1)建立具有随机缺陷的多孔结构模型;(2)一阶摄动展开渐进均匀化的理论;(3)结构宏观压缩刚度可靠性分析的数值方法;(4)利用立体光刻技术制备实验待测样品;(5)对样品进行压缩实验,得到其压缩刚度。(6)由宏观刚度逆预测其缺陷。本发明对3D打印和增材制造领域结构的缺陷预测提供了有效的方法,解决了在不能对其内在缺陷进行实验探测的情况下对其进行参数分析的技术难题,大大节省了产品的开发周期。
Description
技术领域
本发明提供一种由3D打印多孔结构随机缺陷的逆向预测方法,适用于3D打印产品质量评估和控制等应用领域。
背景技术
3D打印技术无需传统的夹具、模具、刀具等,可直接进行样品原型制造,具有生产周期短、材料利用率高、可加工复杂零件等诸多优势,自上世纪问世以来受到了极大关注,取得了迅速发展。对工业制造、航空航天、复合材料及生物医疗等领域产生重要影响。美国《时代》周刊将其列为“美国十大增长最快的工业”之一,英国《经济学人》杂志认为它将“与其他数字化生产模式一起推动实现第三次工业革命”。
目前最主流的金属3D打印技术主要有选择性激光烧结(Selective LaserSintering,SLS)技术、选择性激光融化(Selective Laser Melting,SLM)技术、电子束选区熔化成型(Selective Electron Beam Melting,SEBM)技术等,其采用热源和所用粉末有所不同。然而,在以上3D打印过程中,工件均需不断地经历热循环作用,这将导致工件内部产生复杂的温度场。由于存在较高的温度梯度,不均匀的温度场会导致不均匀的热变形,并产生热应力。当工件冷却至室温时,其内部会存在热残余应力,残余应力会产生严重的缺陷,大大影响工件的性能。
3D打印缺陷预测是产品质量控制的重要环节,但直接探测缺陷的实验方法一方面由于成本较高另一方面难以探测的微观尺度的缺陷分布。本发明提供一种由结构的宏观力学性能刚度矩阵逆向预测其缺陷分布的方法,解决了在不能对其内在缺陷进行实验探测的情况下对其进行参数分析的技术难题,大大节省了产品的开发周期。具有重要的工程实际意义。
发明内容
为了对3D打印产品质量进行评估,需要由3D打印多孔结构随机缺陷的逆向预测方法,包括以下步骤:
(1)建立具有随机缺陷的多孔结构模型;首先建立边长为L的立方体多孔网状模型,利用ANSYS数据库中的随机变量生成器生成具有一定体积分数VIK的随机缺陷。
(2)一阶摄动展开渐进均匀化的理论;对于包含随机缺陷的复合材料,其宏观力学性能的表征方法为在弹性矩阵中引入随机变量。根据一阶摄动理论,每个体积代表单元的弹性矩阵D可以展开为
式中上标[ ]1为一阶项,[ ]0为零阶项,下标[ ]i为材料域i,Xj为微观结构标号。由渐进均匀化有限元理论,弹性矩阵可由下式求得
式中|Y|为有限材料区域Y体积,TDOF总自由度数,为单元刚度矩阵集成总体刚度矩阵的操作符,[I]为单位矩阵,[B]为应变微分矩阵,[χ]为特征位移矩阵,[B]应变位移矩阵其值不受微观随机量影响,为在宏观单位应变下由于微观不均匀产生的变形,其值由有限元方法求得。为优化弹性矩阵的拟合效果,对每个体积代表单元赋予权函数,如下式
(3)结构宏观压缩刚度可靠性分析的数值方法
首先建立初始多孔结构,输入体积代表单元参数Xj和两种缺陷的体积分数和使用ANSYS随机变量数据库生成随机缺陷完成建模。在材料参数杨氏模量中添加随机变量,施加初始边界条件,然后运用基于一阶摄动展开的随机均匀化理论求解其宏观力学性能。计算单向压缩载荷状态下平均应力和平均应变得到均匀化力学性能并和摄动法求得的进行对比。
(4)利用立体光刻技术制备实验待测样品。采用3D systems company公司的MJP2500pro立体光刻打印机制备和数值模拟中相同结构和尺寸的样品。
(5)对样品进行压缩实验,得到其压缩刚度。对(4)中所得样品进行压缩实验,获得载荷位移曲线,采用美国标准测试方法D695号标准计算曲线线性部分的斜率,即为宏观压缩刚度。将所得宏观压缩刚度与数值模拟结果进行对比。
(6)由宏观刚度逆预测其缺陷。当结构完成制备后对其进行宏观力学性能测试,逆向预测便是从结构设计数据库中寻找和实验测得宏观力学性能最相接近的结构。通常宏观刚度矩阵的实测值和数值模拟预测值之间存在偏差,通过改进每个体积代表单元弹性矩阵概率密度分函数使这种偏差达到最小值,便可实现对其微观结构的预测。
附图说明
1.图1是随机缺陷网格结构设计模型;
2.图2是数值模拟流程图;
3.图3是宏观压缩刚度数值模拟结果;
4.图4是实验样品图;
5.图5是样品压缩实验及结果图;
6.图6是宏观性能概率密度与预测原理图;
7.图7是预测结果图。
具体实施步骤
本发明所提供的由3D打印多孔结构随机缺陷的逆向预测方法具体实施步骤如下:
第一步:建立具有随机缺陷的多孔结构模型,模型为边长L=260mm的网格状立方体结构,其中包含体积分数为1/7的翘曲和孔洞两种缺陷,如图1所示。
第二步:将一阶摄动展开的理论运用到渐进均匀化方法中,提供了本发明的理论基础。
首先,对含有随机缺陷材料的力学性能表征方法是认为其弹性矩阵包含随机变量αi(i=1Ln),在第i个代表体积单元子域中将其一阶摄动展开为
则对于整个结构有
考虑到其中αi为均值为0的正态分布,可得方差Var[]如下:
然后由渐进均匀化的有限元理论可得:
其中|Y|为有限材料区域Y体积,TDOF总自由度数,为单元刚度矩阵集成总体刚度矩阵的操作符,[I]为单位矩阵,[B]为应变微分矩阵,[χ]为特征位移矩阵,[B]应变位移矩阵其值不受微观随机量影响,为在宏观单位应变下由于微观不均匀产生的变形,其值由有限元方法求得。
第三步:结构宏观压缩刚度可靠性数值模拟方法。由于商业ANSYS软件自身不包含渐进均匀化方法,数值模拟基于其APDL语言完成。
模拟过程包含两个阶段,首先是在微观尺度生成随机缺陷。建立初始多孔结构,输入体积代表单元参数Xj(j=1...Jtot)和包含两种缺陷的体积分数其中表示翘曲缺陷,表示偏斜缺陷。第二阶段是在宏观尺度下计算结构的力学性能。杨氏模量和剪切模量等物理特征量均包含随机变量,刚度矩阵也是这些随机变量的函数。施加周期边界条件和单向压缩边界条件,分别得到基于一阶摄动展开渐进均匀化理论的宏观力学性能和平均应力应变场极其决定宏观力学性能,模拟结果如图3所示。
第四步:实验样品制备。采用3D systems company公司的MJP 2500pro立体光刻打印机制备和数值模拟中相同结构和尺寸的样品如图所示。其CAD建模过程和数值模拟中完全一致,包括几何参数和缺陷模型。
第五步:对样品进行压缩实验,得到其压缩刚度。对(4)中所得样品进行压缩实验,如图5所示,由实验结果绘制载荷位移曲线,采用美国标准测试方法D695号标准计算曲线线性部分的斜率,即为宏观压缩刚度。将所得宏观压缩刚度与数值模拟结果进行对比。不含缺陷的样品宏观刚度的均值为1.9806GPa,两者的标准差为0.54GPa,表明预测误差只有5%。
第六步:由宏观刚度逆预测其缺陷。当结构完成制备后对其进行宏观力学性能测试,逆向预测便是从结构设计数据库中寻找和实验测得宏观力学性能最相接近的结构。通常宏观刚度矩阵的实测值和数值模拟预测值之间存在偏差,通过改进每个体积代表单元弹性矩阵概率密度分函数使这种偏差达到最小值,便可实现对其微观结构的预测。
如图6所示,给每个计算模型设置新的权重,图中黑色虚线表示数值模拟结果,红色曲线由各个数值结果叠加得来,绿色曲线表示实验测试结果。二者偏差用表示,依据统计学理论,求得其期望和标准差,建立包含概率距离的概率密度函数,以此密度函数作为每个体积代表单元新的权重,所得数值模拟结果更接近实际值,以此作为依据,可由数据库中所建立的和缺陷的函数关系(见图7)逆向求得可靠的结构缺陷。
Claims (5)
1.一种由3D打印多孔结构随机缺陷的逆向预测方法,其特征在于包括以下步骤:
第一步:建立具有随机缺陷的多孔结构模型;所述随机缺陷包括体积分数为1/7的翘曲和孔洞;
第二步:采用一阶摄动展开渐进均匀化理论方法;
第三步:采用数值模拟方法对结构宏观刚度进行可靠性分析;首先是微观尺度上生成缺陷;其次在宏观尺度上求解均匀化的力学性能;所述数值模拟方法基于APDL语言完成;
第四步:利用立体光刻技术制备实验待测样品;
第五步:进行样品压缩实验,得到其压缩刚度;
第六步:由宏观刚度对其内部缺陷进行逆预测;
2.根据权利要求1所述的由3D打印多孔结构随机缺陷的逆向预测方法,其特征在于:第二步中将一阶摄动展开方法运用于渐进均匀化理论,具体为:
首先,对含有随机缺陷材料的力学性能表征方法是认为其弹性矩阵包含随机变量αi(i=1…n),在第i个代表体积单元子域中将其一阶摄动展开为
则对于整个结构有
考虑到其中αi为均值为0的正态分布,可得方差Var[]如下:
然后由渐进均匀化的有限元理论可得:
3.根据权利要求1所述的由3D打印多孔结构随机缺陷的逆向预测方法,其特征在于,第四步采用MJP 2500pro设备打印出和数值模拟中相同的结构。
4.根据权利要求1所述由3D打印多孔结构随机缺陷的逆向预测方法,其特征在于,第五步对制备的样品进行压缩实验,获得载荷位移曲线,按照美国标准测试方法D695号标准得到曲线线性部分的斜率即为宏观压缩刚度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399124.1A CN108446414B (zh) | 2017-12-22 | 2017-12-22 | 一种由3d打印多孔结构随机缺陷的逆向预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399124.1A CN108446414B (zh) | 2017-12-22 | 2017-12-22 | 一种由3d打印多孔结构随机缺陷的逆向预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446414A CN108446414A (zh) | 2018-08-24 |
CN108446414B true CN108446414B (zh) | 2021-09-17 |
Family
ID=63190720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711399124.1A Active CN108446414B (zh) | 2017-12-22 | 2017-12-22 | 一种由3d打印多孔结构随机缺陷的逆向预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446414B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711885B (zh) * | 2020-12-30 | 2022-12-13 | 湖南华翔医疗科技有限公司 | 一种多孔结构材料设计的逆向优化方法 |
CN113076570B (zh) * | 2021-03-09 | 2023-05-16 | 中国人民解放军陆军装甲兵学院 | 一种增材修复与再制造反演设计与逆向规划方法 |
CN113239519B (zh) * | 2021-04-14 | 2022-03-01 | 上海医钛科技有限公司 | 一种基于细长度小的增材制造点阵材料杨氏模量预测模型的构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09288689A (ja) * | 1996-04-23 | 1997-11-04 | Matsushita Electric Works Ltd | 複合材料の微視的構造の有限要素モデル作成方法 |
JP2008217251A (ja) * | 2007-03-01 | 2008-09-18 | Fujitsu Ltd | 解析装置、解析方法及び解析プログラム |
EP2065694A2 (en) * | 2007-11-30 | 2009-06-03 | The Boeing Company | Analyzing structural durability in the frequency domain |
CN105160085A (zh) * | 2015-08-24 | 2015-12-16 | 大连理工大学 | 渐进均匀化预测周期性复合材料热膨胀系数的简易实现方法 |
CN105787267A (zh) * | 2016-02-24 | 2016-07-20 | 重庆大学 | Sma聚合物基材料有效时变、超弹性响应的模拟方法 |
-
2017
- 2017-12-22 CN CN201711399124.1A patent/CN108446414B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09288689A (ja) * | 1996-04-23 | 1997-11-04 | Matsushita Electric Works Ltd | 複合材料の微視的構造の有限要素モデル作成方法 |
JP2008217251A (ja) * | 2007-03-01 | 2008-09-18 | Fujitsu Ltd | 解析装置、解析方法及び解析プログラム |
EP2065694A2 (en) * | 2007-11-30 | 2009-06-03 | The Boeing Company | Analyzing structural durability in the frequency domain |
CN105160085A (zh) * | 2015-08-24 | 2015-12-16 | 大连理工大学 | 渐进均匀化预测周期性复合材料热膨胀系数的简易实现方法 |
CN105787267A (zh) * | 2016-02-24 | 2016-07-20 | 重庆大学 | Sma聚合物基材料有效时变、超弹性响应的模拟方法 |
Non-Patent Citations (3)
Title |
---|
"Probabilistic multiscale analysis of three-phase composite material considering uncertainties in both physical and geometrical parameters at microscale;Pin Wen etc;《springer》;20160521;2735-2747页 * |
"Stochastic prediction of apparent compressive stiffness of selective laser sintered lattice structure with geometrical imperfection and uncertainty in material property";Naoki Takano etc;《ELSEVIER》;20171024;347-356页 * |
Naoki Takano etc."Stochastic prediction of apparent compressive stiffness of selective laser sintered lattice structure with geometrical imperfection and uncertainty in material property".《ELSEVIER》.2017,347-356页. * |
Also Published As
Publication number | Publication date |
---|---|
CN108446414A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pal et al. | An integrated approach to additive manufacturing simulations using physics based, coupled multiscale process modeling | |
Liang et al. | Inherent strain homogenization for fast residual deformation simulation of thin-walled lattice support structures built by laser powder bed fusion additive manufacturing | |
CN108446414B (zh) | 一种由3d打印多孔结构随机缺陷的逆向预测方法 | |
Bian et al. | Energy absorption properties of macro triclinic lattice structures with twin boundaries inspired by microstructure of feldspar twinning crystals | |
US20220108053A1 (en) | Systems and methods for generating molded parts comprising reinforced composite materials | |
D’Emilia et al. | The role of measurement and simulation in additive manufacturing within the frame of Industry 4.0 | |
Kahhal et al. | Multi-objective optimization of sheet metal forming die using genetic algorithm coupled with RSM and FEA | |
Cerda-Avila et al. | Analysis and numerical simulation of the structural performance of fused deposition modeling samples with variable infill values | |
Cannella et al. | Dynamic mechanical analysis and thermoelasticity for investigating composite structural elements made with additive manufacturing | |
Cho et al. | Online functional testing with rapid prototypes: a novel empirical similarity method | |
CN107992709B (zh) | 基于中间函数的热结构模型修正方法 | |
Pal et al. | An efficient multi-scale simulation architecture for the prediction of performance metrics of parts fabricated using additive manufacturing | |
Zhou et al. | Thermal Analysis of 2D FGM Beam Subjected to Thermal Loading Using Meshless Weighted Least‐Square Method | |
CN111444619B (zh) | 一种注塑模具冷却系统在线分析方法及设备 | |
Lv et al. | Research on the evolution of residual stresses in the manufacturing process of TC4 alloy profile rolled ring | |
Choi et al. | Simulation-based uncertainty quantification for additively manufactured cellular structures | |
Rahmani Dehaghani et al. | Iterative uncertainty calibration for modeling metal additive manufacturing processes using statistical moment-based metric | |
CN115859715A (zh) | 一种周期性多孔结构材料等效性能的计算方法 | |
Kundakcıoğlu et al. | Modeling of residual stress and distortion in direct metal laser sintering process: a fast prediction approach | |
Papacharalampopoulos et al. | Towards a surrogate spatiotemporal model of additive manufacturing for digital twin-based process control | |
Asami et al. | Predictive modeling of lattice structure design for 316L stainless steel using machine learning in the L-PBF process | |
Zuo et al. | A New General Framework for Response Prediction of Composite Structures Based on Digital Twin with Three Effective Error Correction Strategies | |
Gundeti et al. | Design and development of metal with plastic replacements by reverse engineering | |
Khanbolouki et al. | Quantifying Residual Stresses Generated by Laser-Powder Bed Fusion of Metallic Samples | |
Cho et al. | Error measures for functional product testing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |